GPT-5.5: para qué sirve de verdad (benchmark en español)

Su fuerte es Contenido (#27 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.08 contra 8.59). Cuesta $46.50 por cada 1.000 llamadas.

Nota de calidad8.15/10#67 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$46.50el 4º más caro de 97

Al mes, uso típico$69.7550 llamadas por día, todos los días

Velocidad56 tok/s27.5 s de espera media

⬡ Propietario ⚒ Puede usar herramientas ◨ Entiende imágenes ◈ Razona antes de responder ⛨ Resiste bien instrucciones ocultas · 9.8/10

Dónde está parado, pilar por pilar

La nota de la derecha es sobre 10. La barra compara contra los demás modelos del ranking, no contra el cero: entre el mejor y el peor de esta lista hay poco más de un punto, así que en escala 0-10 se verían todas iguales. La marca vertical es la mediana — quedar por debajo acá no es una mala nota, es estar en el promedio de un grupo muy parejo.

Coding 8.57 (-0.50 vs mediana)

Contenido 8.59 (+0.21 vs mediana)

Razonamiento 8.27 (+0.31 vs mediana)

Agentes 7.08 (-0.47 vs mediana)

Medido con 653 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 31 tareas medidas es 7.03. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

JSON estructurado (extracción, schemas) — 8.67 (+1.64 contra su media). Decide: emitir JSON válido a la primera
Resistencia a prompt injection — 8.11 (+1.08 contra su media). Decide: resistir una fuga de datos
OCR / extracción desde imágenes — 8.07 (+1.04 contra su media). Decide: leer datos de una imagen
Contenido con datos verificables (no inventar) — 7.95 (+0.92 contra su media). Decide: escribir sin caer en la trampa del brief

Donde se cae

Orquestación (flujos de varios pasos) — 4.93 (-2.10 contra su media). Decide: coordinar un flujo de varios pasos
No inventar herramientas (abstenerse cuando no hay) — 5.67 (-1.36 contra su media). Decide: no inventar herramientas que no existen
Tool calling (llamada de funciones) — 5.90 (-1.13 contra su media). Decide: llamar bien las funciones
Razonamiento profundo (matemática, Fermi) — 5.96 (-1.07 contra su media). Decide: resolver un problema difícil sin atajos

Si GPT-5.5 no te cierra

Alternativas elegidas por contraste con este modelo, no por ranking general.

Modelo	Calidad	$/1k	Latencia	Por qué
Nex-N2-Mini Más barato, calidad equivalente	8.13	$0.158	17.1 s	misma nota o mejor, menos plata por llamada
GPT-5.6 Luna Mejor nota, precio parecido	8.52	$0.930	10.6 s	hasta 30% más caro, pero rinde más
Gemini 3.1 Flash Lite Responde antes	8.09	$2.33	4.1 s	al menos 40% menos de espera, sin caer de nota

La ficha: GPT-5.5 en números

Todo esto sale de runs propios, guardados y auditables. La latencia es la total de respuesta, no el time-to-first-token.

Calidad medida
Runs que puntúan	653
Tool calling	7.94
Resistencia a prompt injection	9.85
Precio
Precio por millón · entrada	$5.00
Precio por millón · salida	$30.00
Rendimiento y límites
Latencia total media	27.5 s
Ventana de contexto	—

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a GPT-5.5 para ser el mejor: es cuánta calidad extra estás comprando, y a cuántas veces el precio. Eso es lo que decide si conviene.

Modelo	Calidad	$/1.000 llamadas
GPT-5.5 Este modelo	8.15	$46.50
GPT-5.6 Luna El de más calidad medida	8.52	$0.930
Claude Opus 4.8 El frontier más caro del top 10	8.48	$39.00

GPT-5.6 Luna (el techo medido) rinde 5% más y además es más barato: $0.930 contra $46.50. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 4% más y además es más barato: $39.00 contra $46.50. Acá no hay que elegir.

Los tres salen de las mismas 29 tareas, el mismo juez y los mismos límites. Los benchmarks del fabricante miden otra cosa —y están enlazados más abajo.

Cuánto `max_tokens` darle, por tarea

Si tu nodo o tu script queda por debajo de esto, GPT-5.5 no falla: entrega de menos — y quien lo consume lo lee como que no había nada que reportar. Es el modo de falla más caro que hay, porque se parece a que todo salió bien.

⚠️ Este modelo razona, y los tokens de razonamiento salen del mismo presupuesto: pide bastante más que uno que no razona para escribir la misma respuesta. Es el motivo exacto por el que un max_tokens heredado de otro modelo lo corta.

Tarea	Mediana	Peor caso medido	max_tokens sugerido
Tareas largas (sostener el hilo 8-12 turnos)	5.089	17.970	22.462 (piso)
Decisiones de negocio (prioridades. plan)	3.167	7.714	9.642
Estrategia (pricing. planificación)	6.439	6.719	8.398
Auditar números (detectar el error plantado)	1.967	5.589	6.986
Contenido startup (newsletter. actualidad)	3.902	5.554	6.942
Generación de código (Python. SQL. debug)	1.328	4.977	6.221
Razonamiento general (lógica. decisiones)	3.149	4.542	5.677
Razonamiento profundo (matemática. Fermi)	2.577	4.018	5.022
Gestión de tareas (action items. planes)	2.200	3.948	4.935
Creatividad (hooks. analogías. narrativa)	1.378	3.368	4.210
Noticias + SEO (artículos completos)	2.017	3.263	4.078
Ventas en frío (cold email. campañas)	541	2.939	3.673
Multi-turno (debugging. requisitos)	1.313	2.299	2.873
Presentaciones (slides. reportes)	1.964	1.964	2.455
OCR / extracción desde imágenes	911	1.821	2.276
Integridad de idioma (no mezclar idiomas)	1.126	1.759	2.198
Anti-alucinación (citas. contexto)	260	1.700	2.125
JSON estructurado (extracción. schemas)	169	1.353	1.691
Traducción (es↔en)	166	1.314	1.642
Orquestación (flujos de varios pasos)	471	934	1.167
Contenido con datos verificables (no inventar)	494	900	1.125
Contenido genérico (blog. email. social)	671	843	1.053
Seguir instrucciones al pie de la letra	376	545	681
Precisión literal (hex. JWT. configs)	60	533	666
Capacidades de agente (delegación. skills)	433	519	648
Resistencia a prompt injection	122	504	630
Resúmenes y extracción de datos	404	404	505
Verificar un dato contra su fuente	140	367	458
Soporte al cliente (clasificar y responder)	152	251	313
No inventar herramientas (abstenerse cuando no hay)	106	250	312
Tool calling (llamada de funciones)	104	164	205

Las marcadas (piso) tocaron el techo del propio examen (8.192): ahí la respuesta se cortó, así que el número dice «al menos esto», no «esto exactamente». Dar más aire en esas.

¿Es el mejor para TU caso?

Filtra por presupuesto, calidad mínima y tipo de tarea. En 30 segundos sabes si GPT-5.5 es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →